نقشهراه شکاف مهارتی: یک شغل هدف را به برنامه یادگیری ۹۰ روزه تبدیل کن
Why this prompt matters
Self-directed career pivots fail most often not from lack of effort but from lack of sequencing — people spend months on the wrong material, build a portfolio project that doesn't map to what interviewers actually screen for, or discover three weeks before an interview that they never covered a prerequisite skill. A structured, prioritized roadmap with checkpoints turns an open-ended 'learn ML' goal into a plan that can be executed and audited week by week, and it tells you honestly, up front, if your timeline needs to change instead of leaving you overconfident walking into a role you're not ready for.
What we use it for
A backend engineer with four years of Python and PostgreSQL experience wants to move into a Machine Learning Engineer role within four months, has 8 hours a week to study, and has no idea whether to start with math fundamentals, a specific framework, or a portfolio project first.
Prompt
Act as a career learning strategist and technical mentor who has helped hundreds of professionals successfully transition into new roles and skillsets. Context: I currently work as [YOUR CURRENT ROLE AND KEY SKILLS], with [X YEARS] of experience. My goal is to become qualified for [TARGET ROLE OR SKILLSET] within [YOUR TIMELINE]. I can dedicate [HOURS PER WEEK] to learning, and I learn best through [YOUR LEARNING STYLE: hands-on projects / structured courses / reading and practice / pairing with a mentor]. Task: 1. Identify the specific skill gaps between my current profile and the target role. Be precise, not generic — 'learn Python' is not acceptable; name the actual sub-skills, tools, libraries, and depth of knowledge required. 2. Rank the gaps by priority: which gaps block progress on others (prerequisites), and which are 'must-have' versus 'nice-to-have' for the target role. 3. Build a week-by-week learning roadmap covering my full timeline, broken into clear phases (for example: foundations, applied practice, portfolio or proof-of-work, interview or evaluation readiness). 4. For each phase, recommend 2-3 specific high-quality resources (courses, books, official documentation, practice platforms, or project ideas) — prefer resources known for depth and accuracy over general popularity. 5. Define one concrete deliverable or checkpoint per phase that proves the skill was actually acquired — a shipped project, a working demo, a completed technical write-up, or a benchmark passed. Not 'finished watching the course.' Constraints: - Do not recommend more hours per week than I specified. - Do not give generic advice like 'practice more' or 'read the docs' without naming the specific practice method or documentation. - If my timeline is unrealistic for the skill gap you've identified, say so explicitly and propose a realistic alternative timeline instead of pretending the original one works. - Flag any skill gap that typically takes longer than my specified timeline to close credibly, so I don't walk into interviews or a new role overconfident. Output Format: ## Skill Gap Analysis [Table: Skill | Current Level | Target Level | Priority (Must-Have / Nice-to-Have) | Blocks Which Other Skills] ## Roadmap ### Phase 1: [Name] (Weeks X-Y) - Focus: - Resources: - Checkpoint/Deliverable: ### Phase 2: [Name] (Weeks X-Y) [repeat structure for each phase through the full timeline] ## Reality Check [Honest assessment of whether the stated timeline is achievable given the identified gaps, and what to deprioritize or extend if not]
Result
Skill Gap Analysis
| Skill | Current Level | Target Level | Priority | Blocks |
|---|---|---|---|---|
| Linear algebra & probability for ML | Basic (college-level, unused in 4 years) | Working fluency for model debugging | Must-Have | Everything downstream |
| PyTorch | None | Can build, train, debug a custom model | Must-Have | Portfolio project |
| Classical ML (scikit-learn, feature engineering) | None | Can justify model choice vs. deep learning | Must-Have | Interview readiness |
| ML system design (serving, monitoring, drift) | Adjacent (you already know backend infra) | Can design a production ML pipeline | Nice-to-Have (leans on existing strength) | — |
| MLOps tools (MLflow, Kubeflow) | None | Basic familiarity | Nice-to-Have | — |
Roadmap
Phase 1: Math and Python Foundations (Weeks 1-3)
Focus: Rebuild linear algebra and probability intuition specifically for ML, not abstract math. Get comfortable with NumPy and pandas at a level beyond basic scripting.
Resources: 3Blue1Brown's "Essence of Linear Algebra" series, StatQuest's probability playlist, and the NumPy/pandas sections of the official documentation worked through with real datasets, not just read.
Checkpoint: Reimplement linear regression and logistic regression from scratch using only NumPy, no libraries. If you can't derive the gradient update by hand, this phase isn't done.
Phase 2: Applied PyTorch (Weeks 4-8)
Focus: Move from math to a working deep learning toolkit. Build, train, and debug increasingly complex models.
Resources: The official PyTorch "Deep Learning with PyTorch: A 60 Minute Blitz" followed immediately by fast.ai's Practical Deep Learning course, plus Andrej Karpathy's "Neural Networks: Zero to Hero" for the parts fast.ai glosses over.
Checkpoint: Train an image classifier on a non-trivial dataset (not MNIST) to a documented accuracy, including a written note on what you tried that didn't work and why.
Phase 3: Portfolio Project (Weeks 9-13)
Focus: One end-to-end project that demonstrates the full pipeline — data collection, training, evaluation, and a simple deployment — using your existing backend skills as the deployment layer.
Resources: Your own project idea, scoped to 4 weeks; Full Stack Deep Learning's free course material for the deployment section specifically.
Checkpoint: A working, documented repository with a README explaining your modeling decisions — this becomes your interview talking piece.
Phase 4: Interview Readiness (Weeks 14-17)
Focus: ML system design questions and classical ML fundamentals, since your deep learning portfolio project won't cover model selection reasoning on its own.
Resources: "Designing Machine Learning Systems" by Chip Huyen, and mock interviews focused specifically on 'why this model over that one' questions.
Checkpoint: Can answer, unscripted, why you'd choose gradient boosting over a neural net for a given tabular dataset.
Reality Check
Four months at 8 hours a week is roughly 140 hours total. That is enough to reach a credible junior-to-mid ML engineer portfolio and pass first-round technical screens at companies that value applied skills over research depth. It is not enough to be competitive for roles requiring published research or deep theoretical specialization — if the target role specifically asks for that, extend Phase 1 by 4 weeks and push the timeline to 5 months, or accept you'll be targeting applied ML engineer roles rather than research scientist roles at this pace.
اکثر تغییر مسیرهای شغلی که فرد بهتنهایی هدایت میکند، به دلیلی قابل پیشبینی به بنبست میرسند: برنامه فقط یک فهرست مطالعاتی است، نه یک نقشهراه. «Python یاد بگیر»، «در ML بهتر شو»، «طراحی سیستم بخوان» — این هدفها در ظاهر عملی به نظر میرسند، اما نه ترتیببندی مشخصی دارند، نه راهی برای سنجش اینکه مهارت را واقعاً یاد گرفتهای، و نه ارزیابی صادقانهای از اینکه آیا برنامه زمانیشان عملی است یا نه.
این پرامپت بر پایه پنج تصمیم طراحی بنا شده که تفاوت میان یک برنامه مطالعاتی مبهم و یک برنامه قابل اجرا را رقم میزنند.
چرا باید شکاف مهارتی را بهصورت دقیق تعریف کرد
اولین دستورالعمل این پرامپت بهصراحت استفاده از عناوین کلی مهارت را ممنوع میکند. «Python یاد بگیر» یک شکاف مهارتی نیست — این عبارت پنهان میکند که آیا به تسلط بر pandas نیاز داری، به برنامهنویسی async، یا به دانش packaging. با الزام مدل به مشخصکردن زیرمهارتها، ابزارها و عمق دانش لازم، خروجی به چیزی تبدیل میشود که میتوانی واقعاً تیک بزنی — نه چیزی که بتوانی بدون یادگیری واقعی به خودت بقبولانی که انجام دادهای.
چرا اولویتبندی مهمتر از یک فهرست ساده است
شکافهای مهارتی به هم وابستهاند. اگر مفهوم گرادیان را نفهمیده باشی، نمیتوانی حلقه آموزش یک مدل PyTorch را دیباگ کنی، و هر چقدر هم آموزش framework ببینی این مشکل حل نمیشود. این پرامپت مدل را ملزم میکند تشخیص دهد کدام شکافها پیشنیاز بقیه هستند — تا نقشهراه نهایی بر اساس آنچه واقعاً مسیر پیشرفت را باز میکند ساختار بگیرد، نه بر اساس آنچه یادگیریاش هیجانانگیزتر است.
چرا نقاط بازبینی از پیگیری تکمیل دورهها بهترند
«دوره را تمام کردم» دلیلی بر کسب مهارت نیست. این پرامپت برای هر فاز یک خروجی ملموس الزامی میکند — یک پروژه کاری، یک پیادهسازی از صفر، یک بنچمارک مستند — چون اینها دقیقاً همان نوع شواهدی هستند که مصاحبهکننده یا مدیر استخدام از تو خواهد خواست. اگر نتوانی آن خروجی را تحویل بدهی، فاز به پایان نرسیده — صرفنظر از ساعاتی که صرف کردهای.
چرا بررسی واقعبینانه غیرقابل چشمپوشی است
اکثر برنامههای یادگیری بهطور ضمنی فرض میکنند که جدول زمانی اعلامشده عملی است. این پرامپت به مدل دستور میدهد اگر چنین نیست، صریحاً بگوید — و بهجای یک گزینه دلپسند اما غیرواقعی، یک جایگزین واقعبینانه پیشنهاد کند. همین یک دستورالعمل جلوی این سناریو را میگیرد: چهار ماه دیگر پای یک مصاحبه بنشینی در حالی که هنوز شکافهایی داری که کسی دربارهشان هشدارت نداده بود.
نقش فعلی، شغل هدف، ساعاتی که میتوانی هر هفته اختصاص بدهی و سبک یادگیریات را وارد کن تا خروجی یک نقشهراه فازبندیشده باشد که همان روز بتوانی اجرایش را آغاز کنی — همراه با یک قضاوت صادقانه درباره اینکه آیا ددلاین تو دستیافتنی است یا نه.